摘要
第一章 绪论
1.1 研究背景及意义
1.1.1 研究背景
1.1.2 研究意义
1.2 存在的主要问题
1.3 本文主要贡献
1.4 文章组织结构
第二章 相关理论及研究综述
2.1 观点挖掘研究
2.1.1 基本概念
2.1.2 研究内容
2.1.3 研究综述
2.2 文本分类研究
2.2.1 研究概述
2.2.2 特征选择
2.2.3 分类模型
2.2.4 评价指标
第三章 面向文本主题的观点挖掘模型
3.1 问题提出
3.2 相关工作
3.3 LDA主题模型
3.3.1 文档生成过程
3.3.2 参数推理
3.3.3 MCMC Gibbs抽样
3.4 文档主题观点模型(Document-Topic-Opinion)
3.4.1 DTO模型结构
3.4.2 文档生成过程
3.5 DTO模型参数推理
3.5.1 基于MCMC Gibbs抽样的DTO参数推理
3.5.2 DTO-Gibbs抽样算法
3.6 实验设计
3.6.1 实验数据集
3.6.2 数据预处理
3.6.3 情感词表及使用
3.6.4 观点分类实验
3.6.5 主题观点挖掘实验
3.7 实验结果分析
3.7.1 实验参数设置
3.7.2 观点分类结果分析
3.7.3 主题观点挖掘结果分析
3.7.4 主题个数对挖掘结果的影响
3.8 本章小结
第四章 基于DTO模型的主题观点量化方法
4.1 问题提出
4.2 相关工作
4.3 DTOV主题观点量化模型
4.3.1 相关定义
4.3.2 文档主题观点分布
4.3.3 文档主题观点量化
4.4 实验设计
4.4.1 分类特征抽取
4.4.2 分类模型选择
4.5 实验结果分析
4.5.1 Pos-DTOV与Neg-DTOV分类效果对比
4.5.2 情感词典对分类结果的影响
4.5.3 同类方法实验结果对比
4.6 本章小结
第五章 基于主题观点集成模型的股市波动预测
5.1 问题提出
5.2 相关工作
5.3 Online DTO模型
5.4 TOVA文档主题观点集成模型
5.4.1 基本思想
5.4.2 加权集成模型
5.4.3 主题权重及计算方法
5.4.4 文章权重及计算方法
5.5 基于ATOV的股市波动预测
5.5.1 SHCOMP-Trend
5.5.2 股市波动预测主要步骤
5.6 实验及结果分析
5.6.1 证券情感词典
5.6.2 实验数据集
5.6.3 实验参数
5.6.4 实验结果及分析
5.7 本章小结
第六章 基于多任务学习的文本多分类模型
6.1 问题提出
6.2 相关理论
6.2.1 单任务学习
6.2.2 多任务学习
6.2.3 模糊集理论
6.3 MDDD文本分类模型
6.3.1 基本思想
6.3.2 文本分类步骤
6.4 实验设计
6.4.1 实验数据集
6.4.2 评估方法
6.4.3 实验参数设置
6.4.4 对比实验介绍
6.5 实验结果和分析
6.5.1 MDDD与SVM分类结果对比
6.5.2 不同组合的分类结果对比
6.5.3 新浪财经文本的多分类结果分析
6.6 本章小结
第七章 总结和展望
7.1 全文概括总结
7.2 全文工作评价
7.3 后续工作展望
参考文献
参与科研项目
发表文章目录
致谢
声明